인과 발견 (Causal discovery) 방법론들은 일반적으로 모든 데이터가 독립 동일 분포 (i.i.d.)를 따르며, 시스템에 영향을 미치는 측정되지 않은 변수 (unmeasured variables)가 없다고 가정합니다. 실제로 이러한 가정들은 자주 위배되며, 이는 부정확한 추론으로 이어집니다. 본 논문에서는 인과 메커니즘 변화 (causal mechanism shifts)로부터 숨겨진 교란 (hidden confounding) 및 선택 편향 (selection bias)을 식별하는 방법을 연구합니다. 특히, 우리는 구조적 편향 (structural biases)이 의존적인 메커니즘 변화를 초래한다는 것을 보여줍니다. 즉, 서로 다른 환경의 데이터를 고려할 때 어떤 변수들에 대해 메커니즘이 변하는지를 살펴봄으로써, 어떤 변수가 편향되지 않았는지, 어떤 변수가 숨겨진 교란의 영향을 받는지, 그리고 어떤 변수가 선택 편향을 겪고 있는지를 구분할 수 있습니다. 우리는 이를 상호 정보량 (mutual information)에 기반한 경험적으로 테스트 가능한 기준으로 공식화하고, 어떤 조건 하에서 구조적 편향을 식별할 수 있는지 보여줍니다. 어떤 노드가 어떤 종류의 편향을 받는지 판별하기 위해, 우리는 StruBI 알고리즘을 도입합니다. 합성 데이터 및 실제 데이터에 대한 실험 결과, StruBI는 실제 환경에서 잘 작동하며, 영향을 받은 변수 집합과 편향의 유형을 정확하게 복구하여 최신 기술 (state-of-the-art)보다 큰 차이로 성능을 앞선다는 것을 보여줍니다.